3月+美国国立卫生研究院+《人工智能在肥胖风险预测和管理中的作用：方法、见解和建议》

人工智能在肥胖风险预测和管理中的作用：方法、见解和建议导语：2025年2月，美国国立卫生研究院（NIH）发布报告《人工智能在肥胖风险预测和管理中的作用：方法、见解和建议》（TheRoleofArtificialIntelligenceinObesityRiskPredictionandManagementApproaches,Insights,andRecommendations），探讨了人工智能/机器学习在肥胖风险预测和管理中的作用，特别关注儿童肥胖。启元洞见分享文章主要内容，为读者提供参考。一、介绍全球超过6.5亿人被归类为肥胖，这构成健康、经济和社会挑战。鉴于其与心脏病等主要合并症的重叠，需要创新的解决方案来改善风险预测和管理策略。近年来，人工智能和机器学习已作为医疗保健领域的强大工具出现，为慢性病预防提供了新方法。文章探讨了人工智能/机器学习在肥胖风险预测和管理中的作用，特别关注儿童肥胖。文章首先考察了肥胖的多因素性质，包括遗传、行为和环境因素，以及传统方法在预测和治疗与肥胖相关的疾病方面的局限性。接下来，分析了常用于预测肥胖风险的人工智能/机器学习技术，特别是在最小化儿童肥胖风险方面的应用。然后，文章转向人工智能/机器学习在肥胖管理中的应用，比较了医疗保健提供者和患者的不同视角。从提供者的角度来看，人工智能/机器学习工具可以从电子病历、可穿戴设备和健康应用中提供实时数据，对患者风险进行分层、定制治疗方案并增强临床决策。从患者的角度来看，人工智能/机器学习驱动的干预措施提供了个性化指导，并改善了长期参与健康管理的情况。最后，文章讨论了在采用人工智能/机器学习进行肥胖管理时的关键局限性和挑战，例如健康的社会决定因素的作用，并根据文献综述提出了建议。（一）人工智能/机器学习在医疗保健领域的应用人工智能和机器学习已被证明在许多临床领域非常有用，如皮肤科、放射科、心脏病学、神经学和药理学的视觉识别和纵向数据分析。在皮肤科领域，人工智能研究的重点是通过皮肤镜图像进行早期皮肤癌检测。在过去二十年里，人工智能通过整合放射学、病理学和基因组学，帮助放射学领域的计算机辅助诊断，提高了工作流程的效率，并带来了综合诊断服务。深度学习神经网络还提高了放射科医生在乳腺癌筛查中的表现；最近的一项研究利用20多万次乳腺筛查检查的机器学习来获得准确性，结果显示，在获得相同数据的情况下，诊断结果与经验丰富的放射科医生相同。深度学习展示了其解释心电图和超声心动图的能力，随后通过分析血流量和心脏功能指标，预测超声心动图中改变心血管风险的系统表型。（二）人工智能/机器学习在肥胖症护理中的应用人工智能和机器学习已在医疗保健的许多领域得到有效应用，通过分析复杂的健康数据、识别风险因素以及协助医生全面护理肥胖症患者，它们在预测和管理肥胖症方面同样大有可为。应用人工智能/机器学习技术，患者可以获得个性化的膳食计划和更简化的健康随访流程。其他用于肥胖症护理的人工智能和机器学习技术包括用于解释肥胖症风险的预测模型、用于饮食评估或肥胖症监测的图像分析、人工智能聊天机器人和可穿戴设备。（三）人工智能在儿童肥胖护理中的应用截至2020年，美国19.7%的儿童患有肥胖症，这一数字从2002年的16%和1994年的11%显著上升。鉴于儿童肥胖通常先于成人肥胖和合并慢性疾病，其预测和管理尤为重要。通过利用人工智能和机器学习，在儿童和青少年时期提升健康效果，可以培养健康的习惯。根据美国心脏协会的说法，这可能降低成人肥胖和心脏病的风险，从而提高生活质量并减少与肥胖相关的医疗成本。在利用人工智能解决儿童肥胖问题时，考虑与年轻群体产生共鸣的方法至关重要，例如通过游戏化的方式将枯燥或不受欢迎的活动变得有趣，以鼓励锻炼和健康饮食习惯。根据美国儿科学会（AAP）2023年的指南，在3-12个月期间进行26小时的强化行为干预，可以减少体重指数（BMI）。此外，AAP还呼吁使用包括体育活动和生活方式改变在内的多组分治疗方法，以最大化儿童肥胖治疗的积极效果。人工智能驱动的工具，如具有虚拟教练和“活跃视频游戏”或“运动游戏”的健康应用，将机器学习融入儿童的日常生活，以吸引人的方式促进更健康的生活方式选择，高效地满足AAP关于多因素治疗的指南，并通过促进参与度来达到26小时接触时间的门槛。例如，一项对23项基于游戏的干预措施研究的系统回顾和荟萃分析显示，这些干预措施在提高营养知识、习惯和身体成分方面具有显著效果，干预后营养相关理解有显著提升。此外，一项叙述性综述强调了“运动游戏”的好处——需要身体运动的数字游戏——这些游戏被发现可以增强身体素质，减少超重儿童的体重，并改善最大摄氧量（VO2max）等其他健康指标。随着这些策略的不断发展，我们建议密切关注对儿童最有效的做法，考虑个人偏好、家庭动态、文化影响以及创造支持性环境的重要性，旨在将人工智能赋能健康解决方案的影响力最大化。（四）医疗服务提供者对肥胖症护理中人工智能的看法医疗服务提供者是支持肥胖症管理的关键角色，但他们在帮助患者在饮食、运动和行为方面做出可持续的生活方式改变时面临着巨大挑战。肥胖率持续上升，这表明目前的咨询方法可能无法完全应对长期体重管理的多方面挑战。超重和肥胖者的医疗保健使用率更高；虽然他们更频繁地接受医疗保健服务，但他们的就诊结构可能无法有效支持可持续的体重管理。改变生活方式仍然是大多数患者最容易接受的干预措施。然而，这些方法需要持续的动力、资源和不懈的努力，而许多患者很难保持或获得这些。有关抗肥胖药物和减肥手术效果的新数据将继续塑造治疗模式，但生活方式干预仍是护理的基石。在这方面，人工智能提供了一个独特的机会，通过提供个性化、数据驱动的解决方案来改善患者的治疗效果，从而优化传统模式。人工智能可以深入洞察患者的行为和面临的挑战，弥合当前实践中的差距，同时使医疗服务提供者能够提供量身定制的循证干预措施。本部分将从医疗服务提供者的角度进行探讨，重点关注人工智能如何加强临床实践，并增强医疗服务提供者在肥胖症管理方面的能力。（五）移动医疗应用和可穿戴健康技术移动医疗应用和可穿戴技术（如活动追踪腕带或戒指）在个性化肥胖管理、促进体重减轻、增加体育锻炼和提高整体生活质量方面已显示出前景。一项对12项评估手机应用干预的研究进行的荟萃分析发现，使用手机应用与体重（-1.07千克）和体重指数（BMI）（-0.45千克/平方米）的降低有关。这些发现凸显了移动技术补充传统肥胖症护理方法的潜力。（六）风险评估人工智能可在预测儿童肥胖风险方面发挥变革性作用，因为儿童肥胖会影响成年后的健康风险。人工智能大大加速了这一领域的发展，使研究人员能够在电子健康记录（EHR）数据上训练模型，预测肥胖的未来趋势，并识别典型饮食和体育锻炼之外的一系列风险因素，包括婚姻状况、地点、年龄组、教育背景、精神情绪障碍等。一项研究对327名年龄在21-78岁之间、在减肥干预期间至少有9个月自我报告随访体重数据的参与者进行了训练，建立了多个机器学习模型，其中最好的模型在有半个月数据的情况下预测准确率大于50%，在有8个月数据的情况下预测准确率高达97%。（七）强化分析对于分析中的人工智能而言，虽然测量身体成分比单独测量BMI更能诊断和预后，但通过计算机断层扫描和磁共振成像对身体横截面成像进行人工评估需要大量人力和时间。通过将这些流程自动化，人工智能可以帮助减轻医疗服务提供者的职业倦怠，同时提高准确性和效率。此外，人工智能驱动的成像技术还通过完善心血管风险分层和确定更复杂的生物标记物来对血管周围脂肪组织进行深度表型以预测血管功能风险，从而改善肥胖症护理。人工智能介导的成像还能改善侵入性手术的结果，如提高肥胖症患者首次尝试手术的成功率和脊髓麻醉的置针时间。这些应用凸显了人工智能在提高诊断精确度和手术成功率方面的潜力，使患者和医疗服务提供者都能从中受益。（八）辅助临床决策减肥手术是病态肥胖症的常见治疗方法，但短期和长期并发症发生率及体重减轻情况仍难以预测。一项关于机器学习在减肥手术中应用的系统性综述发现，机器学习在预测术后并发症、体重减轻、决策、诊断和术后生活质量方面具有潜力。不过，大多数研究都缺乏外部验证队列，这表明这些机器学习模型目前还存在不确定性。另一项研究对人工智能在减肥手术中的作用进行了回顾，结果表明，人工智能算法能在从术前风险评估到术中管理和术后结果预测等多个阶段提高医生的决策水平。具体而言，研究发现人工智能可改善术前风险评估，识别肥胖症患者插管困难、阻塞性睡眠呼吸暂停、肺功能障碍和食管裂孔疝等因素。（九）潜在挑战医疗服务提供者对人工智能技术的信任和熟悉程度仍然是采用人工智能技术的障碍。医疗服务提供者需要接受全面的培训和教育，才能有效地将人工智能融入实践。此外，人们对人工智能可能使患者与医疗服务提供者之间的关系非个性化的担忧，以及对数据隐私和安全的担忧依然存在。此外，将人工智能成功融入现有医疗系统需要付出巨大努力，因为当前的基础设施可能不具备无缝容纳先进人工智能技术的条件。必须解决这些障碍，以确保人工智能能够真正加强肥胖症护理，而不会产生意想不到的负面影响。（十）患者对人工智能在肥胖症治疗中的应用的看法利用强化学习等先进算法，人工智能可优化干预措施，满足患者的个性化需求，确保在减少资源需求的同时取得更有效的结果。这些技术不仅能实时调整干预措施的类型和强度，还能整合饮食习惯、体育锻炼、基因和微生物组特征等各种数据源，提供高度精准的护理。人工智能能够通过数字平台（包括虚拟健康教练、自动信息发送和游戏化参与工具）提供一致的、具有成本效益的支持，患者可从中受益。（十一）实时和个性化辅导行为减重疗法BehavioralWeightLoss（BWL）是一种非常有效的肥胖症治疗方法，患者的体重可减轻7%-10%。患者在接受专业减肥教练持续、频繁反馈的同时，还学会了自我监控和设定个人目标。然而，由于专业临床医生的短缺以及实施此类劳动密集型计划的高昂成本，行为减重疗法的可扩展性受到了限制。长期随访的另一个重大挑战是体重反弹模式占主导地位，只有不到3%的人能够保持治疗后的体重。比较远程和面对面体重减轻干预的研究发现，两者都很有效，平均体重减轻效果相似，这表明远程支持是管理肥胖的一种可行且可扩展的方法。人工智能技术方案（如强化学习）旨在通过解决行为减重疗法的主要局限性来提高其有效性和可扩展性。强化学习驱动的系统可根据实时数据（如体重波动和体育活动）动态调整干预的强度和类型，以提供个性化辅导，而无需大量人工参与所需的时间和成本。人工智能驱动的虚拟健康教练，如聊天机器人Paola，可以提供个性化指导，改善饮食、活动和身体成分。总之，人工智能可根据个人需求不断调整干预措施，优化资源利用，整合各种数据源，提供全面有效的体重管理解决方案，从而促进个性化的减肥指导。（十二）精准营养人工智能驱动的精准营养超越了对饮食习惯、饮食行为和体育锻炼的分析，纳入了深度表型、基因组学和微生物群分析等先进方法。深度表型涉及对个体代谢和表型特征的详细分析，超越了体重指数或血压等传统风险因素，以更好地了解疾病表现。此外，人工智能还可以通过整合基因组数据来提高减肥计划的个性化程度，从而实现针对个人遗传倾向的精准指导。人工智能驱动的肠道微生物群优化可在支持减肥方面发挥关键作用，特别是通过调节体重、新陈代谢和炎症。人工智能分析个体微生物群特征，以预测对饮食干预的反应，例如为普雷沃特氏菌为主的个体定制高纤维饮食，为双歧杆菌为主的个体增加双歧杆菌。机器学习模型具有整合微生物群和遗传数据的能力，可根据基线肠道微生物群组成情况制定个性化饮食计划并预测减肥效果。因此，可针对有益物种优化肥胖干预措施。然后，人工智能模型可生成定制的饮食建议和益生菌配方，以满足个人需求。（十三）可持续的生活方式干预将人工智能融入可持续的生活方式干预中，促进长期的行为改变，从而实现显著和持续的体重减轻。人工智能驱动的生活方式干预，如SureMediks，在一项多国实地试验中显示，24周内平均体重大幅下降14%。此外，99%的参与者体重减轻了5%以上。该计划利用责任圈和游戏化挑战来提高参与度和积极性，同时还通过与互联网连接的体重秤跟踪进展情况。研究发现，子目标的重新分配对体重减轻产生了负面影响，这强调了精确设定目标和持续跟踪对取得持续效果的重要性。像“进食触发-反应抑制计划”（eTRIP）这样的人工智能辅助应用程序通过基于聊天机器人的签到、利用计算机视觉进行食物图像识别以及自动提示等功能来调节进食行为。这些工具能促进正念和自我调节，从而显著减少暴饮暴食和吃零食的情况。食物成瘾给肥胖症治疗带来了巨大挑战，通常与热量摄入增加、难以坚持减肥干预、体重指数增大以及减肥尝试后体重反弹增加有关。食物成瘾也会加剧内化的体重偏差和身体羞耻感，降低减肥计划的动力和自我效能，因此强调了有效工具的重要性，以便为人工智能驱动的生活方式干预提供信息。可持续的生活方式干预可以通过基于时间、频率和类型的个性化移动健康干预的强化学习方法来实现，这与适时适应性干预（JITAI）的概念相一致。除了个体患者管理，这些人工智能驱动的适应性干预措施对预防肥胖的公共卫生工作具有更广泛的影响。通过利用实时数据和预测分析，公共卫生官员可以设计出更有针对性、可扩展的干预措施，主动解决高风险人群的问题。（十四）减肥指导中的数据隐私处理在个性化减肥指导中，患者隐私数据的处理依赖于联合学习、混合技术、数据所有权和知情同意等方法。联盟学习使人工智能模型能够在分散的设备或服务器上进行训练，而无需交换本地数据，从而在提高隐私性的同时降低了违规风险。分散式方法在单个设备上维护数据，消除了集中式池化，支持实时学习，并受益于多样化的数据源。尽管这种方法有其优势，但仍存在一些挑战，如易受攻击、稳健性失效和效率问题。二、局限性将可穿戴人工智能技术应用于肥胖症治疗的一个重大局限是，此类设备的拥有量和使用量有限，尤其是在年轻患者中。一项针对儿童和青少年的全国性调查显示，只有30.3%的人目前使用可穿戴技术，而51.6%的人过去从未使用过。这一有限的采用率引发了人们对可及性和参与度的担忧，这可能会降低人工智能驱动的肥胖干预在儿科人群中的有效性。除了可及性，技术和伦理方面的挑战也阻碍了人工智能在医疗保健领域的应用。数据安全和隐私问题仍然是一个主要问题，因为患者可能不愿意与人工智能系统分享敏感的健康数据。患者也更倾向于选择人类医疗服务提供者，并抵制人工智能增强型护理。此外，如果没有有效的实施策略和立法支持，医疗服务提供者可能会抵制人工智能整合。具体而言，在将人工智能用于肥胖症医疗保健方面，美国